Glossário IA
O dicionário completo da Inteligência Artificial
Codificador (Encoder)
Parte do autoencoder que transforma os dados de entrada em uma representação de dimensão inferior, chamada de espaço latente ou código, aprendendo uma função de compressão não linear.
Decodificador (Decoder)
Parte do autoencoder que pega a representação comprimida do espaço latente e tenta reconstruir os dados de entrada originais, aprendendo assim uma função de descompressão.
Espaço Latente (Latent Space)
A camada de representação de menor dimensão em um autoencoder, que captura as características mais essenciais e comprimidas dos dados de entrada.
Gargalo (Bottleneck)
A camada mais estreita da arquitetura do autoencoder, localizada entre o codificador e o decodificador, que força a rede a aprender uma representação concisa dos dados.
Função de Perda de Reconstrução (Reconstruction Loss)
Função objetivo, frequentemente o erro quadrático médio (MSE) ou a entropia cruzada, que mede a diferença entre os dados de entrada originais e sua reconstrução pelo decodificador.
Autoencoder Simétrico
Arquitetura de autoencoder onde as estruturas do codificador e do decodificador são imagens espelhadas uma da outra, com dimensões de camadas correspondentes para compressão e descompressão.
Subcompletude (Undercompleteness)
Princípio segundo o qual a dimensão do espaço latente de um autoencoder deve ser inferior à dos dados de entrada, forçando assim a rede a aprender as características mais relevantes em vez de uma simples cópia.
Pesos Compartilhados (Tied Weights)
Técnica onde as matrizes de pesos do decodificador são a transposta das matrizes de pesos do codificador, reduzindo o número de parâmetros e promovendo uma reconstrução simétrica.
Contagem de Unidades (Unit Counting)
Processo de determinação do número de neurônios em cada camada do autoencoder, onde o número de unidades diminui progressivamente através do codificador para atingir o gargalo.
Redução de Dimensionalidade Não Linear
Aplicação principal dos autoencoders, que aprendem variedades de dados complexas para projetar dados de alta dimensão em um espaço de menor dimensão, indo além dos métodos lineares como a PCA.
Aprendizagem de Representação (Representation Learning)
Capacidade dos autoencoders de descobrir automaticamente características (features) abstratas e estruturas inerentes aos dados sem rotulagem supervisionada.
Autoencoder de Camada Única (Single-Layer Autoencoder)
A forma mais simples de autoencoder com uma única camada oculta servindo como gargalo, equivalente a uma análise de componentes principais não linear.
Autoencoder Profundo (Deep Autoencoder)
Arquitetura de autoencoder com múltiplas camadas ocultas no codificador e decodificador, permitindo aprender hierarquias de características complexas para uma melhor compressão.
Ruído de Reconstrução (Reconstruction Noise)
Artefatos ou erros introduzidos nos dados reconstruídos por um autoencoder, que podem ser analisados para entender os limites da representação aprendida pelo modelo.
Função de Ativação do Codificador
Função não linear (como ReLU, sigmoide ou tanh) aplicada nas camadas do codificador para permitir a aprendizagem de transformações complexas dos dados de entrada.
Função de Ativação do Decodificador
Função aplicada nas camadas do decodificador, frequentemente escolhida para corresponder à distribuição dos dados de entrada (por exemplo, sigmoide para dados normalizados entre 0 e 1).
Supercompletude (Overcompleteness)
Condição em que a dimensão do espaço latente é maior do que a dos dados de entrada, exigindo restrições adicionais, como a regularização, para evitar uma simples aprendizagem de identidade.
Erro de Quantização
Parte do erro de reconstrução em um autoencoder que resulta da compressão de informações contínuas em um espaço latente de dimensão finita.